新方法缓解跨域命名实体识别类型混淆，刷新CrossNER指标
论文AI 评分 62/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
跨域命名实体识别（CD-NER）在实体跨度检测上精度高，但常把实体错分为相似类型。为此，研究者提出多维混淆量化模型（MCQM），从源-目标层级、语义相似度及显式数据评估三维度衡量混淆程度。同时提出渐进双向推理链（PBRC），利用MCQM的混淆分析引导大语言模型生成两阶段推理信息以增强模型知识。该方法有效缓解了类型混淆并提升泛化能力，在CrossNER数据集全部域上取得新的最优结果，已被IJCAI-ECAI 2026接收。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载CD-NER类型混淆痛点
跨域命名实体识别旨在将源域知识迁移至目标域。近期采用分解或生成范式的研究在实体跨度检测上取得显著性能提升与高精度，但在实体类型分类阶段，模型严重受制于实体类型混淆。该现象指模型将文本中某类型的实体错误归类为另一相似但不正确类型的倾向，这阻碍了模型在目标域上的泛化表现。
多维量化与推理增强机制
为解决上述错分倾向，研究首先提出多维混淆量化模型MCQM。该模型从三个维度量化模型在实体类型间的混淆程度：源-目标层级分析、语义相似度分析以及显式数据评估。基于此，进一步提出渐进双向推理链PBRC。PBRC利用MCQM得出的源-目标层级与混淆分析结果，提示大语言模型生成两阶段推理信息。这些生成的信息被用于增强模型知识，从而显著缓解实体类型混淆并提升泛化能力。
实验结果与发表情况
实验结果表明，结合MCQM与PBRC的方法在CrossNER数据集的全部域上均取得了新的最优结果，验证了该方案在缓解跨域实体类型错分上的有效性。该论文由Jingyu Wang、Shijie Wu与Fusheng Jin撰写，共9页含3张图，已被IJCAI-ECAI 2026接收，归属于计算与语言及人工智能领域。
为什么值得看
针对CD-NER中实体类型错分痛点，提出量化与推理增强结合方案，刷新CrossNER全域SOTA。
量化论文数据集
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。